uporaba statistike na področju kvantitativne genetike

Uporaba statistike na področju kvantitativnegenetike

Gregor Gorjanc

Univerza v Ljubljani, Biotehniška Fakulteta, Oddelek za zootehniko, Domžale (Rodica)

IBMILjubljana, Slovenija11. oktober 2010

UL, BF, Oddelek za zootehniko, Domžale(Rodica)

Izvleček

Kvantitativna genetika skuša odgovoriti na vprašanje kolikšen delfenotipske variabilnosti je povzročen z genetsko variabilnostjo.

Vloga statističnih metod pri iskanju tega odgovora je ključna inrazvoj nekaterih metod (npr. regresija, analiza variance, mešanimodel, model s pragovi, ...) je potekal hkrati z metodološkimrazvojem na področju genetike kvantitativnih lastnosti.

Tekom predavanja si bomo ogledali te metode s stališča statistike inkvantitativne genetike ter njihovo uporabo na podoročju selekcijedomačih živali.

Kazalo

1. Uvod

2. Začetki kvantitativne genetike

3. Uporaba kvantitativne genetike pri selekciji domačih živali

Nekaj literature

Genetika: DNA –> beljakovine –> fenotip

Kromosom

od očeta

Kromosom

od mame

Genotip

A1/A2

Alel

A2

Alel

A1

Lokus

Gen

Področja genetike

I Populacijska genetikaI Kvantitatiivna genetikaI Evolucijska genetikaI Molekularna genetikaI Genetika

I človekaI živaliI rastlinI mikrobovI . . .

I . . .

Podobna “širina” in “prepredanje” kot pri področjih statistike

2. Začetki kvantitativne genetike

Začetki kvantitativne genetike

I Začetki genetikeI študije vpliva genov na “enostavne” (diskretne) lastnosti

(Mendel, Bateson, . . . ) –> mendlistiI študije “kompleksnih” (kvantitativnih) lastnosti (Pearson,

Galton, Fisher, Wright, . . . ) –> biometrikiI Galton (1986) - regresijaI Nestrinjanje med mendlisti in biometriki ob koncu 19. stoletjaI Fisher (1918) - infinitezimalni modelI Wright, Malecot - inbriding in sorodstvoI . . .I Razcvet, upad in ponovno razcvet z “genomsko revolucijo”

Galton (1886) - regresijaI Analiziral povprečno telesno višino staršev in njihovih (odraslih)

otrok

Razprava: Zakaj je povezava (korelacija) pozitivna?

Regresija

I Bivariatna normalna porazdelitev fenotipskih vrednostiI telesna višina očeta - PfI telesna višina sina - Ps

p (Pf ,Ps) ∼ N(

E (Pf )E (Ps)

,Var (Pf ) Cov (Pf ,Ps)

sym. Var (Ps)

)I Pogojno pričakovanjeE (Ps |Pf ) = E (Ps) + Cov (Ps ,Pf ) (Var (Pf ))

−1 (Pf − E (Pf ))

I Regresijski koeficient: Cov (Ps ,Pf ) (Var (Pf ))−1

Regresija - Pearsonovi podatki

●

● ●

●

● ● ●●

●

●

● ●●

● ●

●●

●

●●

●●

●●

●●●

●

●● ●●

●

●

●●

● ● ●

●●

●●

●●

●●

●

●

●

●● ●

●● ●

●

●●

●●

● ●●

●●●●

● ●●

●●

●

●●● ●●

●●

●●

●

●●●

●●

●●

●

●

●●

●

●●

●

●●

●

●

● ●

●

● ●●

●

●● ●

●●

●

● ●●●

●●

●●●

●

●

●●●

●

● ● ●

●●●

●● ●

●

●●●

●

●● ●●

● ●●●

● ●

●

● ●

●

●

●●

●●

●

●●

●●

●●

● ●●

●

●●

●

●

●

● ●●

●● ●

●●●

●● ●

●

●

●●

● ●

● ● ●

●●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

● ●

●

● ●

●

●

● ●

● ●

●

●●●

● ●

●

●

●

● ●

● ●● ● ●●●

●●

●

●

●●

●

●

● ●

●●

● ●●

●

●

●

●●

● ●●

●

●●

●●

●

●●●●

●●

●●● ●

●

●

● ●

● ● ● ● ● ●

●●

●●

● ●

● ●●

●● ●

●

●●

●●

●●●

●●

●●●

●●

●

●

● ●●

●●

●

● ● ● ●

●

●● ●●

●●●

●

●●

● ●●●

● ● ●●● ●

●

●●●

●● ●

●

●●

● ●●

●

●

●● ●

●

●●

●●

●

● ●●●● ● ●

●

●●

● ●

●●

● ● ●●

●● ●

●

●● ●

●●

●●●

● ●

●

●

●

●

●●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●

●

●● ●

●●

●

●

●

●

●●●

●● ● ●

●

●● ●●

●●

●●●

●

●

●

●●● ●●●

●●

●

●

●●

●

●

●

●

●● ●

●●●●

● ●●

●●●●●● ● ●

●●

●●

●

●

●●●●

●

●●●

● ●●●●

●● ●

●●●

●

●●●●

●

●●

●

● ●●

●● ●

●

●●●

●●● ●●

●●●

●●●

●●●

●●

●●

●

●

●

●

●●

●●

●

●●●

●

●

●

●

●●

●

●●

● ●

●●

●

●

●

● ● ● ●●

●●

●●

●

●● ●●

●

●● ●

●

●

● ●

●● ●

●

●●

● ●

●

●

● ●● ●

●

● ●

●

●

●● ●

●●

●

●

●

●

●●

●

●

●

●

●

●

●

●

●

● ●●

●

●

●●

●●

●●●

●

● ●●

●●

●

●●

●● ●● ● ●

●

●●●

●●

●

● ●

● ● ●

● ● ● ●

●

●

●

●

●

●● ● ●● ●

● ●

● ●●

●

●●● ●●

●●

●

●●

●●●

●●

●● ●

●● ●●●●

●● ●

●

● ●

●

●

●●●

● ●●

●

●●● ●

● ●●

●●

●●

●●●

●●

● ●

●

● ●

● ●

●

●●● ●

●●

●

●

● ●●

●

●●

●●

●

●●●●●

● ●●

●

● ●●●● ●

●●

●

●

● ●●

●●●●

●

●

●

●

● ●●●

●

●

●● ● ●

●●

● ●

●

●●

●

●●

●

● ●

●

●●

●●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●

●● ● ● ●

●●

●

●

●●●

●●

●

● ●

● ●

●

●● ●

● ●●● ●●●

●●

●● ●

●

● ●●

● ●●●

●

●

●

●

●

●●●

●

●

●

●●●

●

●

●

●● ● ●●● ●

●●

●●

●●

●

●●● ●● ●

●●

●●

●●

●●

●● ●● ●●

●●●

●●

● ●●

●

●● ●

● ●●●

●●●

●●

●● ●

●●●●

●

●●

●

●●

●● ●

●

●

●●

● ●

●

●●

●● ● ●

● ●●

●●●

●● ●

● ●

●

●●●

●●●

● ●●●

● ●●

●●

●

●

●●

●

●

● ●

●●

●●

●●●

● ●

●●

●

●●

●

●

● ● ● ●

●

●

●

●

●

●

●

●

●

●

●

●●

●

150 160 170 180 190

150

160

170

180

190

200

Telesna višina − oce (cm)

Tele

sna

viši

na −

sin

(cm

)

Razprava: Zakaj “regression/shrinkage” k povprečju?

Fisher (1918) - dekompozicija fenotipske vrednosti

Genotip Okolje

Fenotip

I Koncept vrednosti

P = µ+ G + E

I P - fenotipska vrednost - lahko merimo!!!I G - genotipska vrednost - ne moremo meriti!!!I E - deviacija zaradi okolja

Fisher (1918) - dekompozicija genotipske vrednosti

I Genotipska vrednostI En lokus: G = A + DI Več kot en lokus: G = A + D + II A - additivna genotipska (plemenska) vrednost

(učinek posameznih alelov)I D - deviacija zaradi dominance

(interakcije med aleli na enem lokusu)I I - deviacija zaradi epistaze: A× A,A× D,D × D

(interakcije med aleli na različnih lokusih)

P = µ+ A + D + I + EI Centralni limitni izrek

I veliko število genov z majhnim učinkom + naključni vplivi izokolja –> normalna porazdelitev

Fisher (1918) - analiza varianceI Analiza variance za predpostavljeni model

P ≈ µ+ A + D + E

I Vzročne komponente fenotipske variance

σ2p = σ2

a + σ2d + σ2

e

I Dednostni delež (heritabiliteta)I v širšem smislu h2 = σ2

g/σ2p

I v ožjem smislu h2 = σ2a/σ2

p

I Opazovane komponente variance - to lahko ocenimo iz zbranihpodatkov

I varianca med skupinami σ2med

I varianca znotraj skupin σ2znotraj

Fisher (1918) - analiza variance III Analiza variance skupin sorodnikov –> opazovane komponente

variance vsebujejo različne vzročne komponente variance

σ2med = raσ

2a + rdσ

2d + rcσ

2ec

σ2znotraj = σ2

P − σ2med

I ra= verjetnost, da imata sorodnika enake aleleI rd= verjetnost, da imata sorodnika enak genotipI rc = “verjetnost”, da imata sorodnika “skupno okolje”

Skupine / σ2med ra rd rc

Enojajčni dvojčki 1 1 1Dvojajčni dvojčki 1/2 1/4 1Bratje in sestre (FSIB) 1/2 1/4 1Pol-bratje in pol-sestre (HSIB) 1/4 0 0

Galton (1886) - revizijaI Predpostavljeni model za telesno višino sinov (Ps)

Ps ≈ µ+ As + Es

≈ µ+ 1/2Af + 1/2Am + Es

I Pogojno pričakovanje na podlagi telesne višine očetov (Pf )

E (Ps |Pf ) = E (Ps) + Cov (Ps ,Pf ) (Var (Pf ))−1 (Pf − E (Pf ))

I pričakovane vrednosti: E (Ps) = E (Pf ) = µI varianca med očeti: Var (Pf ) = σ2

pI covarianca med sinovi in očeti:

Cov (Ps ,Pf ) = Cov (1/2Af ,Af ) = 1/2σ2a

I regresijski koeficient

Cov (Ps ,Pf ) (Var (Pf ))−1 =1/2σ2

aσ2

p= 1/2h2 < 1

WrightI S korelacijami definiral koncept sorodnosti na osnovi informacije

iz rodovnikov:I koef. inbridinga - korelacija med gametami posameznikaI koef. sorodnosti - korelacija med gametami posameznikov

I Stezna metoda (ang. path analysis) in model s pragovi(1934) (ang. threshold model) = probit model

Raziskovalna “področja”

I ljudje –> biostatistika, genetika človeka (ang. human genetics)I cilj: splošno znanje in zdravljenje

I rastline –> genetika rastlin (ang. plant breeding and genetics)I cilj: –> splošno znanje in selekcija (=žlahtnjenje)

I živali –> genetika živali (ang. animal breeding and genetics)I cilj: splošno znanje in selekcijaI “animal breeding and genetics”

= živinoreja + genetika+ statistika + . . .

3. Uporaba kvantitativne genetike priselekciji domačih živali

SelekcijaI Izmerimo fenotipske vrednosti kandidatov in izberemo

(selekcionirami) tiste z najbolj zaželenimi vrednostmi (ang.mass/phenotype selection)

I Izbrani kandidati bodo starši naslednje generacije

Razprava: Ali se fenotipska vrednost prenaša s staršev na potomcev?

Dekompozicija fenotipske vrednosti

Genotip Okolje

Fenotip

I Genetsko vrednotenje = statistično sklepanje o genotipski(plemenski) vrednosti posameznikov glede na zbrane podatkein predpostavljeni model (= BLUP selection)

Podatki?

I Individualni rejci in rejski programiI Številne vrste (govedo, perutnina, prašiči, ovce, koze, konji, psi,

mačke, ribe, raki, čebele, . . . )I Številne (kompleksne) lastnosti - fenotipske vrednosti:

I prireja (mleko, meso, jajca, . . . )I reprodukcija (št. potomcev, uspešnost pripusta, . . . )I konformacija telesa (višina vihra, obseg, . . . )I zdravje in dolgoživostI . . .

I RodovnikiI Zadnja leta tudi podatki o genotipu živali

I posamezni pomembni geniI veliko število DNA označevalcev

Henderson (1949+) - mešani modelI Mešani model - fiksni/sistematski (b) in naključni (a) vplivi

yijk = µ+ bi + aj + eijk

y = Xb + Za + e

I Predpostavke

p (a) ∼ N (0,G) , G = Aσ2a

p (e) ∼ N (0,R) , R = Iσ2e

p

yae

∼ N

Xb00

,ZGZT + R ZGT R

G 0sym. R

A - matrika sorodstva (Wright)

Mešani model - poimenovanje

I Henderson: model živali, ker je modeliral prirejo živaliI model očeta - upoštevamo rodovnik samo med očetiI model očeta in mame - upoštevamo rodovnik samo med očetiI . . .I bolj splošno: mešani model z rodovniki

I Mešani model (ang. mixed model)I Hierarhični model (ang. hierarchical model)I Večnivojski??? model (ang. multilevel model)I . . .

Henderson (1949+) - sistem enačbI Metoda najmanjših kvadratov

y = Xb + e(XT R−1X

) (b)

=(

XT R−1y)

I Mešani model

y = Xb + Za + ea = GZT V−1

(y− Xb

)(

XT R−1X XT R−1ZZT R−1X ZT R−1Z + G−1

)(ba

)=

(XT R−1yZT R−1y

)G−1 = A−1σ−2

a R−1 = Iσ−2e

I b - najboljša linearna nepristranska cenilka (BLUE)I a - najboljša linearna nepristranska napoved??? (BLUP)

Primer “vesoljcev” - podatki

Slika: Jouke

Posameznik Oče Mama Skupina Fenotip1 / / / /2 / / 1 103, 1063 2 1 1 984 2 / 2 1015 4 3 2 1066 2 3 2 937 5 6 / /8 5 6 / /9 / / / /10 8 9 1 109

Primer “vesoljcev” - grafični model

Slika: Jouke

Primer “vesoljcev” - grafični modelσ2

a σ2e

a1 a2

a398 a4

a5 a6

a7 a8 a9

a10109

Slika: Jouke


a σ2e

a1 a2

103

106

a398 a4 101

a5 106 a6 93

a7 a8 a9

a10109

Slika: Jouke


a σ2e

b1 b2

a1 a2

103

106

a398 a4 101

a5 106 a6 93

a7 a8 a9

a10109

Slika: Jouke

Primer “vesoljcev” - R

Demonstracija v R-ju

Programje

I Aplikacije lahko zajemajo tudi več 100 tisoč ali milijon živali intoliko ali še več fenotipskih vrednosti

I Primer ~150.000 telitev = fenotipskih vrednosti, ~75.000 krav+ ~1.000 bikov

I Specializirani programi (rešitev sistema enačb in/ali ocenakomponent variance)

I ASREMLI BLUPf90I DMUI PESTI SurvivalKitI VCEI WOMBATI . . .

Posebnosti

I Statistični pomen inverze matrike sorodstva A−1

I Bayesovski pogled

I Komponente variance?

Statistični pomen inverze matrike sorodstva A−1I Pogojna neodvisnost spremenljivk

I A−1i ,j = 0 –> pogojna neodvisnost

I A−1i ,j 6= 0 –> pogojna odvisnost

I grafična predstavitev modela = grafični modeliI Aditivna genotipska vrednost posameznika

= f(povp. staršev, fenotipsko odstopanje, povp. potomcev)b1 b2

a1 a2

y21

y22

a3y3 a4 y4

a5 y5 a6 y6

a7 a8 a9

a10y10

Bayesovski pogled II

p (b, a|R,µb,B,µa,G) ∼ N(θ,C−1σ2

e

)Cθ = r

θ =

(ba

)C =

(XT R−1X + B−1 XT R−1ZZT R−1X ZT R−1Z + G−1

)r =

(XT R−1y + B−1µbZT R−1y + G−1µa

)

Ocena komponent variance

I Metoda največjega verjetjaI Maximum Likelihood (ML)

σ2 =Σn

i=1 (xi − x)

nI Restricted/Residual Maximum Likelihood (REML; Patterson &

Thompson, 1971)

σ2 =Σn

i=1 (xi − x)

n − p

I EM, AI-REML, . . .

I Bayesovski pristopi

Vprašanja?

uporaba statistike na področju kvantitativne genetike

Documents